02 蓝图与愿景

在尝试选择满足其需求的 AI/ML 平台或一组平台时，任何组织所面临的主要挑战是如何对这些平台的能力进行分类。我们需要一套明确的分类和相应的能力，以适应每个分类。它们应该与现有平台的实际功能相匹配。

这似乎很简单，但由于这个领域发展迅速，并且存在于软件开发树的一个新分支上，所以这一点已经被证明是具有挑战性的。 虽然与传统软件开发存在一些重叠之处，但也存在一些显著的区别。例如，在手动编码的软件开发中，没有类似于训练的步骤。

许多团队和组织尝试帮助创建这些分类，但总体上他们只是让问题变得更糟。几乎不可避免地，这些分类考虑不周、定义不清且存在重叠。 不幸的是，营销活动通过创建一个过于熟悉的行业全景指南，其中包含这些选择不当的分类，并将每个供应商的标识符放入一个整洁的小方框中，进一步加剧了混淆。 这种精心制作的图形在社交媒体上可以分享，但对于帮助人们理解 AI/ML 软件领域来说却毫无效果。这种图形的最大问题在于，软件通常无法完全适应单一的分类。 一个平台可能具有标注功能、实验跟踪功能、功能存储等。仅仅将该平台的标识符放入实验跟踪分类中，充其量是简化问题，最坏的情况下是完全错误的。

为了帮助组织真正理解人工智能基础设施，我们提出了清晰的分类抽象，避免了许多边界情况和重叠。例如，计算机视觉是机器学习的一个子类型，但它与人工智能基础设施软件的能力没有太多关联。 这里列出的许多不同平台支持构建和训练计算机视觉模型以及其他类型的模型。 「标注平台」 是一个基准分类，描述了人工智能基础设施软件中一系列能力。

我们采用了一个双重方法来帮助公司清楚地了解生态系统中平台的能力。

首先，我们将这些能力提炼到几乎无法再进一步简化的程度，并将它们添加到代表理想技术栈的蓝图中。供应商不会完全适应任何一个分类，而是可能在多个分类中具有能力。

即使是一个首要功能是模型服务框架的平台，也具备蓝图其他部分的能力。纯色方框表示对该组能力的完全支持和专注，而斜纹阴影表示该领域的部分能力。

其次，我们创建了一种新型的行业全景指南，独特于人工智能基础设施协会（AIIA），其中包括一个高层次的特性矩阵，并将供应商的能力跨越每个分类进行了整合，而不仅仅将它们归类为具有单一能力。 我们还根据供应商是否提供对某个分类的完全支持或部分支持进行评级。例如，一个公司可能具有可解释性功能，但没有强大的监测和可观察性功能，因此它只能被评为部分支持。

在了解这些抽象概念的基础上，我们将在下面的每个主要分类中详细介绍软件竞争对手。 我们将介绍主要公司、初创公司和开源平台，以及每个分类中可以期待的各种能力。我们还将探讨这些能力的发展情况。有些能力已经高度发展，而有些则较少发展。最后，我们将为您展示这些能力在未来五年内的发展趋势，并指出需要填补缺失能力的领域。